Studium przypadku: pomiar przed interwencją

Poprzednia sekcja zakończyła się na granicy między scharakteryzowanym pomiarem a późniejszą interwencją. Gdy różnice akwizycji stają się widoczne, łatwo ulec pokusie, aby w jednym przebiegu zharmonizować tabelę cech, dodać obrazy filtrowane, zastosować wyuczone przetwarzanie wstępne, wybrać najbardziej stabilne kolumny i dopasować model. Taka sekwencja może dać wynik, ale utrudnia jego interpretację. Jeśli kilka interwencji jednocześnie zmieni tabelę, pozornej poprawy lub pogorszenia nie będzie można przypisać jednej z nich.

W tej sekcji logika opatrzonego datą zamrożenia protokołu w stylu RIDER służy jako ograniczony czasowo przypadek ilustracyjny. Pierwsze pytanie nie dotyczy tego, czy cecha przewiduje wynik. Dotyczy zachowania zadeklarowanego pomiaru w porównaniach powtarzalności i rekonstrukcji. Projekt jest samowystarczalny: czytelnik potrzebuje rozróżnienia między pomiarem wyjściowym a późniejszymi interwencjami, a nie dostępu do plików projektu, jego stanu wewnętrznego lub historii implementacji.

Jeden eksperyment, jedno pytanie

Użyteczne zamrożenie określa przed obejrzeniem wyników trzy rzeczy: co pozostaje stałe, co się zmienia i na jakie pytanie odpowiada wynik. W przypadku pomiaru wyjściowego definicje obrazu i regionu, geometria, przetwarzanie wstępne, dyskretyzacja, implementacja cechy oraz reguły analizy tworzą stały kontrakt pomiarowy. Zadeklarowane porównania powtarzalności i rekonstrukcji są zmiennymi. Wynik odpowiada na pytanie, jak nieskorygowany pomiar zachowuje się w tych warunkach.

Ta sama struktura dotyczy późniejszej interwencji. Kontrakt wyjściowy i projekt porównania pozostają punktem odniesienia, dodaje się lub zmienia jedną interwencję, a nowy wynik odpowiada na pytanie, co zrobiła ta interwencja. Etapu harmonizacji, obrazu filtrowanego, transformacji wyuczonej lub wyboru modelowego nie włącza się po cichu do pomiaru wyjściowego. Otrzymuje on nową definicję i nowe porównanie.

Takie rozdzielenie jest zwykłym rozumowaniem eksperymentalnym. Jeśli jednocześnie wprowadzi się harmonizację, rozszerzenie falkowe, wyuczone odszumianie i selekcję cech, późniejszy wynik nie wykaże, który wybór spowodował zmianę. Słaby wynik jest równie niejednoznaczny: może odzwierciedlać szkodliwą transformację, niedopasowaną definicję cechy albo interakcję między interwencjami. Eksperyment wytworzył jedną liczbę, ale nie wyjaśnienie, które można przypisać konkretnej przyczynie.

Pomiar wyjściowy może również dać niepożądany wynik, nie stając się przez to nieudanym badaniem. Jeśli cecha ma słabą powtarzalność albo jest wrażliwa na rekonstrukcję, jest to ważny dowód dotyczący pomiaru w badanych warunkach. Ukrycie tego wyniku przez pokazanie tylko cech, które przetrwały selekcję, odpowiada na inne pytanie: jak zachowywał się wybrany podzbiór. Surowy rozkład właściwości pomiarowych sam należy do tego, co miał ustalić pomiar wyjściowy.

Nieskorygowany pomiar wyjściowy

Obecny zbiór danych RIDER Lung CT Version 3 dostarcza środowiska z wieloma rekonstrukcjami. Oryginalna publikacja opisująca projekt autorstwa Zhao i wsp. dokumentuje kontekst powtórzenia tego samego dnia i zmiany ułożenia; zawarta w niej analiza powtarzalności pomiarów wielkości guza wykorzystywała jedną rekonstrukcję z cienkimi warstwami, a nie późniejszy pakiet sześciu rekonstrukcji. Projekt w stylu RIDER łączy dwa użyteczne porównania. Powtórzenie u tego samego pacjenta, na tym samym skanerze i w tej samej sesji bada powtarzalność, zachowując widoczność zmienności wynikającej ze zmiany ułożenia, fizjologii, szumu akwizycji, segmentacji i ekstrakcji. Porównanie rekonstrukcji wywiedzionych z tej samej akwizycji bada zgodność między rekonstrukcjami, celowo zmieniając oś rekonstrukcji. Porównania te analizuje się oddzielnie, ponieważ reprezentują różne perturbacje.

W każdym porównaniu wartości cech, różnice sparowane, oszacowanie zgodności i niepewność należą do zadeklarowanego łańcucha pomiarowego. Pomiar wyjściowy nie głosi, że cecha jest prawdą biologiczną tylko dlatego, że jej wartości są powtarzalne. Rejestruje działanie pomiaru, gdy wybrane warunki zostają powtórzone lub zmienione. Niska zgodność może być użyteczna, ponieważ wskazuje późniejszemu badaniu, że cechy nie należy traktować jako stabilnej w danym warunku. Bez dodatkowego kontrastu diagnostycznego nie wskazuje jednak odpowiedzialnego ogniwa.

Dlatego pomiar wyjściowy musi pozostać nieskorygowany względem pytania, na które został zaprojektowany. Jeśli źródłem badanej zmienności jest oś rekonstrukcji, korekta rozkładów cech przed jej pomiarem zmienia estymand. Skorygowana tabela może być użyteczna do innego celu, ale nie może zastąpić pierwotnego wyniku dotyczącego właściwości pomiarowych.

Ta sama logika dotyczy progu stabilności. Punkt odcięcia może podsumowywać określoną z góry konwencję opisową, lecz nie zmienia cechy w trafny biomarker ani nie powoduje zniknięcia słabego wyniku wyjściowego. To, czy cecha jest akceptowalna, zależy od zamierzonego zastosowania, jej zachowania błędów, kontekstu decyzyjnego i warunków, w których będzie mierzona.

Dlaczego harmonizacja jest osobną interwencją

ComBat koryguje rozkłady cech względem zadeklarowanego efektu partii. Może to być właściwe, gdy struktura partii i założenia metody odpowiadają zamierzonej analizie. Nie jest to uniwersalna korekta każdej różnicy między ośrodkami.

Główna trudność polega na tym, że partia może być splątana z biologią lub wynikiem. Ośrodek może mieć inny skaner, a także inny skład pacjentów lub ścieżkę opieki. Potraktowanie całej różnicy między ośrodkami jako technicznego zakłócenia może usunąć sygnał, który estymand ma zachować, albo pozostawić po korekcie resztkowe obciążenie. Etykieta partii wskazuje grupę; nie dowodzi przyczyny różnicy.

ComBat na poziomie cech działa na już wyekstrahowanych wartościach cech, a nie na procesie akwizycji, który je wytworzył. Jeśli rekonstrukcja zniszczyła treść przestrzenną, transformacja tych wartości nie rekonstruuje obrazu ani nie przywraca treści przestrzennej nieobecnej w wyekstrahowanych danych wejściowych. Może nadać wartościom pozór większej porównywalności, ukrywając surową wrażliwość na rekonstrukcję, którą miał opisać pomiar wyjściowy. Skorygowana wartość jest zatem wynikiem nowej interwencji pomiarowej.

Pierwotną metodę empirycznego Bayesa opisali Johnson, Li i Rabinovic, a założenia swoiste dla obrazowania omawiają Orlhac i wsp.. Źródła te nie czynią z ComBat uniwersalnego zalecenia. Uzasadniają traktowanie jego roli jako decyzji projektowej.

W tym przypadku harmonizacja następuje po nieskorygowanej charakterystyce, ponieważ pomiar wyjściowy pyta o wpływ różnic akwizycji i rekonstrukcji na pomiar. Taka kolejność nie jest uniwersalnym zakazem stosowania ComBat. Jeśli głównym estymandem jest zharmonizowana cecha do określonego zastosowania wieloośrodkowego, harmonizacja może należeć do zamierzonej definicji tego pomiaru. Badanie musi wtedy określić tę rolę i ocenić zharmonizowany pomiar pod kątem tego celu.

Filtry i wyuczone przetwarzanie wstępne wymagają własnego zamrożenia

Obraz filtrowany jest kolejną interwencją przed ekstrakcją cech. Pasma falkowe i obrazy po filtrze laplasjanu funkcji Gaussa zmieniają dziedzinę obrazu, w której oblicza się cechy pierwszego rzędu lub tekstury. Wyuczona transformacja odszumiania albo superrozdzielczości zmienia dane wejściowe w inny sposób. Jeśli taka transformacja zostanie dodana do pomiaru wyjściowego, wynikowa zgodność opisuje przekształcony potok, a nie pomiar pierwotny.

Właściwą odpowiedzią nie jest zakaz stosowania filtrów ani wyuczonego przetwarzania wstępnego. Trzeba jawnie określić ich pytanie. Badanie uzupełniające może zachować kontrakt wyjściowy, dodać jedną zadeklarowaną transformację, ponownie wykonać te same porównania sparowane i porównać nowe zachowanie z pomiarem wyjściowym. Jeśli zgodność się poprawi, wynik uzasadnia stwierdzenie o przekształconym potoku w badanych warunkach. Nie dowodzi, że pierwotna cecha stała się wewnętrznie odporna, transformacja zrekonstruowała obraz lub przywróciła treść przestrzenną nieobecną w wyekstrahowanych danych wejściowych ani że transformacja poprawi predykcję.

Ta sama zasada chroni interpretację, gdy dostępnych jest kilka dziedzin obrazu. Dodanie cech filtrowanych rozszerza tabelę kandydatów i może dodać powiązane ujęcia tego samego obrazu. Definicje filtrów, skala fizyczna, obsługa brzegów, dyskretyzacja i agregacja należą do nowego kontraktu. Prace standaryzacyjne IBSI mają znaczenie dla obliczania takich cech, ale standaryzowane obliczenie nadal wymaga osobno określonego pytania pomiarowego.

Selekcja i modelowanie następują później

Pomiar wyjściowy powinien opisywać rozkład zachowania pomiaru, zanim reguła selekcji ukryje kolumny. Późniejszy model może wykorzystywać odporność, harmonizację lub inną właściwość do wyboru danych wejściowych, ale wybór ten staje się wówczas częścią tworzenia modelu. Wytyczne raportowania, takie jak lista kontrolna raportowania badań radiomicznych CLEAR i TRIPOD+AI, traktują granicę między tworzeniem i oceną modelu jako raportowaną część projektu; wytyczne te nie walidują modelu empirycznie.

Rozróżnienie to nie zależy wyłącznie od tego, czy selekcja wykorzystuje wynik. Niezależna od wyniku analiza stabilności może być uprawnioną charakterystyką opisową. Gdy jednak jej wynik rozstrzyga, które cechy wchodzą do modelu predykcyjnego, selekcja staje się częścią definicji danych wejściowych modelu. Jeśli selekcja lub inna transformacja jest dopasowywana z danych, musi respektować odpowiednią granicę walidacji. W walidacji krzyżowej dozwolone etapy zależne od danych należy dopasowywać na części treningowej, a uzyskany stan stosować do części wydzielonej. ComBat, skalowanie, selekcja cech i selekcja na podstawie stabilności podlegają tej samej regule informacyjnej, gdy tworzą dane wejściowe modelu.

Nie istnieje uniwersalna sekwencja umieszczająca każdą z tych operacji przed lub po każdej innej operacji. Dokładne umiejscowienie zależy od estymandu, roli interwencji, tego, czy działa ona na obrazach czy cechach, oraz informacji dostępnych w zamierzonym momencie wdrożenia. Uniwersalna w ramach danego projektu predykcyjnego jest potrzeba zachowania granicy między treningiem a oceną i zadeklarowania sekwencji przed interpretacją wyniku.

Przy przekazaniu do modelu tabela cech nadal może mieć p >> n: zbiór kandydatów może być znacznie większy niż liczba pacjentów. Wspólne dane wejściowe lub powiązane transformacje mogą wywoływać znaczną zależność albo korelację między kandydatami; filtr stabilności nie czyni pozostałych kolumn niezależnymi. Lista kontrolna raportowania badań radiomicznych CLEAR czyni redukcję cech i wybór modelu raportowanymi częściami potoku, lecz nie dowodzi empirycznej trafności. Regularyzacja, uczciwa selekcja i walidacja na poziomie pacjenta pozostają konieczne. Jeśli pytanie dotyczy wartości przyrostowej, model obrazowy należy porównać z odpowiednim klinicznym modelem bazowym opartym na danych tabelarycznych, a nie tylko z wynikiem losowym.

Wewnętrzny wynik predykcyjny nadal jest dowodem wyłącznie dla badanego projektu predykcyjnego. Sam nie dowodzi trafności teoretycznej, możliwości przeniesienia, kalibracji ani użyteczności klinicznej. Słabej powtarzalności pomiaru wyjściowego nie można retrospektywnie uratować wyborem korzystniejszego podzbioru, a poprawiony wynik po interwencji nie wskazuje, która część interwencji odpowiadała za poprawę, jeśli interwencji tej nie wyizolowano i nie zwalidowano. Wytyczne raportowania predykcji, takie jak TRIPOD+AI, rozdzielają zdolność dyskryminacyjną, kalibrację, ocenę zewnętrzną i użyteczność kliniczną jako odrębne pytania raportowe; CLEAR pomaga uczynić porównanie i ścieżkę przetwarzania możliwymi do sprawdzenia. Są to role raportowe, a nie dowody, że model jest skalibrowany, przenosi się do innych warunków lub poprawia użyteczność.

Hierarchia jako sekwencja estymandów

Przypadek ten można więc odczytać jako sekwencję powiązanych, lecz odrębnych pytań. Najpierw zamroź i zmierz nieskorygowany pomiar wyjściowy. Następnie opisz i zbadaj sposoby jego niepowodzenia. Jeśli harmonizacja, filtr, wyuczone przetwarzanie wstępne lub model są uzasadnione, zamroź tę nową interwencję jako osobny projekt. Ponownie zmierz te same odnośne wielkości w ramach nowego kontraktu. Dopiero po udzieleniu odpowiedzi na te pytania pomiarowe analiza predykcyjna korzystająca z informacji o wyniku powinna wybrać dane wejściowe i oszacować skuteczność.

Każde przejście zmienia dozwolone znaczenie wyniku. Pomiar wyjściowy uzasadnia twierdzenie o zachowaniu pomiaru. Badanie uzupełniające uzasadnia twierdzenie o wpływie interwencji na to zachowanie. Model uzasadnia twierdzenie o predykcji w ramach własnego projektu walidacji. Żadne z tych twierdzeń nie ustanawia automatycznie następnego.

Powtarzalność i właściwości pomiarowe nie dowodzą zatem trafności teoretycznej. Następne pytanie dotyczy tego, czy sygnał rzeczywiście jest radiomiczny: Czy sygnał rzeczywiście jest radiomiczny? stosuje falsyfikację, modele bazowe i kontrole negatywne do interpretacji skutecznego modelu radiomicznego.

Źródła

• Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-127. PMID 16632515, doi:10.1093/biostatistics/kxj037.
• Orlhac F, et al. A Guide to ComBat Harmonization of Imaging Biomarkers in Multicenter Studies. J Nucl Med. 2022;63(2):172-179. PMID 34531263, doi:10.2967/jnumed.121.262464.
• Zwanenburg A, Vallières M, Abdalah MA, et al. The Image Biomarker Standardisation Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328-338. doi:10.1148/radiol.2020191145, PMID 32154773.
• Whybra M, et al. IBSI 2. Radiology. 2024. doi:10.1148/radiol.231319.
• Quantitative Imaging Biomarkers Alliance (QIBA), RSNA: oficjalne informacje QIBA.
• Zhao B, Schwartz LH, Kris MG, Riely GJ. Coffee-break lung CT collection with scan images reconstructed at multiple imaging parameters (Version 3) [Dataset]. The Cancer Imaging Archive. doi:10.7937/K9/TCIA.2015.U1X8A5NR, strona kolekcji.
• Zhao B, et al. Radiology. 2009;252(1):263-272. doi:10.1148/radiol.2522081593, PMID 19561260, PMCID PMC2797680.
• Kocak B, et al. CLEAR radiomics reporting checklist. Insights into Imaging. 2023;14:75. doi:10.1186/s13244-023-01415-8.
• Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378.